Interface de ligne de commande
L'interface de ligne de commande (CLI) Ultralytics offre un moyen simple d'utiliser les modèles Ultralytics YOLO sans avoir besoin d'un environnement Python. La CLI prend en charge l'exécution de diverses tâches directement depuis le terminal en utilisant la yolo commande, ne nécessitant aucune personnalisation ni code Python.
Regarder : Maîtriser Ultralytics YOLO : CLI
Exemple
Ultralytics yolo les commandes utilisent la syntaxe suivante :
yolo TASK MODE ARGS
Où :
- TASK (optionnel) est l'un des suivants : [detect, segment, classify, pose, obb]
- MODE (obligatoire) est l'un des suivants : [train, val, predict, export, track, benchmark]
- ARGS (facultatif) représentent un nombre quelconque de arg=value comme imgsz=320 qui remplacent les valeurs par défaut.
Voir tous les ARGS dans le Guide de configuration complet ou avec yolo cfg.
Entraîner un modèle de détection pendant 10 epochs avec un taux d'apprentissage initial de 0,01 :
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01
Prédire en utilisant un modèle de segmentation pré-entraîné sur une vidéo YouTube à une taille d'image de 320 :
yolo predict model=yolo26n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Valider un modèle de détection pré-entraîné avec une taille de lot de 1 et une taille d'image de 640:
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640
Exporter un modèle de classification YOLO au format ONNX avec une taille d'image de 224x128 (aucune TÂCHE requise) :
yolo export model=yolo26n-cls.pt format=onnx imgsz=224,128
Exécutez des commandes spéciales pour afficher la version, les paramètres, exécuter des vérifications, et bien plus :
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
Où :
TASK(facultatif) est l'un des[detect, segment, classify, pose, obb]. S'il n'est pas explicitement transmis, YOLO tentera de déduire leTASKà partir du type de modèle.MODE(obligatoire) est l'un des[train, val, predict, export, track, benchmark]ARGS(facultatif) représentent un nombre quelconque dearg=valuecommeimgsz=320personnalisés qui remplacent les valeurs par défaut. Pour obtenir une liste complète desARGS, voir le Configuration page et ledefault.yaml.
Avertissement
Les arguments doivent être passés par arg=val paires, séparées par un signe égal = et délimités par des espaces entre les paires. Ne pas utiliser -- de préfixes d'argument ou de virgules , entre les arguments.
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌
Entraîner
Entraînez YOLO sur l'ensemble de données COCO8 pendant 100 epochs à une taille d'image de 640. Pour une liste complète des arguments disponibles, consultez la page Configuration.
Exemple
Commencez l'entraînement de YOLO26n sur COCO8 pour 100 époques avec une taille d'image de 640 :
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640
Reprendre une session de formation interrompue:
yolo detect train resume model=last.pt
Valider
Valider le précision du modèle entraîné sur l'ensemble de données COCO8. Aucun argument n'est nécessaire car le model conserve son entraînement data et ses arguments en tant qu'attributs du modèle.
Exemple
Validez un modèle YOLO26n officiel :
yolo detect val model=yolo26n.pt
Valider un modèle entraîné sur mesure :
yolo detect val model=path/to/best.pt
Prédire
Utilisez un modèle entraîné pour exécuter des prédictions sur des images.
Exemple
Prédisez avec un modèle YOLO26n officiel :
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
Prédire avec un modèle personnalisé :
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
Exporter
Exporter un modèle dans un format différent comme ONNX ou CoreML.
Exemple
Exportez un modèle YOLO26n officiel au format ONNX :
yolo export model=yolo26n.pt format=onnx
Exporter un modèle entraîné personnalisé au format ONNX :
yolo export model=path/to/best.pt format=onnx
Les formats d'exportation Ultralytics disponibles sont indiqués dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format en utilisant le format argument, c'est-à-dire format='onnx' ou format='engine'.
| Format | format Argument | Modèle | Métadonnées | Arguments |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
Voir tous les export détails sur le Exporter page.
Remplacement des arguments par défaut
Remplacez les arguments par défaut en les passant dans la CLI comme arg=value paires.
Astuce
Entraîner un modèle de détection pendant 10 epochs avec un taux d'apprentissage de 0,01 :
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01
Prédire en utilisant un modèle de segmentation pré-entraîné sur une vidéo YouTube à une taille d'image de 320 :
yolo segment predict model=yolo26n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Valider un modèle de détection pré-entraîné avec une taille de lot de 1 et une taille d'image de 640:
yolo detect val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640
Remplacement du fichier de configuration par défaut
Remplacez le default.yaml fichier de configuration entièrement en passant un nouveau fichier avec le cfg argument, tel que cfg=custom.yaml.
Pour ce faire, créez d'abord une copie de default.yaml dans votre répertoire de travail actuel avec le yolo copy-cfg commande, qui crée un default_copy.yaml .
Vous pouvez ensuite transmettre ce fichier comme cfg=default_copy.yaml ainsi que tous les arguments supplémentaires, comme imgsz=320 dans cet exemple :
Exemple
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320
Commandes des solutions
Ultralytics des solutions prêtes à l'emploi pour les applications courantes de vision par ordinateur via l'interface CLI. Le yolo solutions Cette commande permet d'accéder à des fonctionnalités telles que le comptage d'objets, le recadrage, le floutage, le suivi d'activité physique, les cartes thermiques, la segmentation d'instances, VisionEye, l'estimation de la vitesse, la gestion des files d'attente, l'analyse de données, l'inférence Streamlit et le suivi par zone — voir la Solutions Cliquez ici pour consulter le catalogue complet. Lancer yolo solutions help pour afficher la liste de toutes les solutions prises en charge et de leurs arguments.
Exemple
Compter les objets dans une vidéo ou un flux en direct :
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
Recadrer les objets détectés et les enregistrer sur le disque :
yolo solutions crop show=True
yolo solutions crop source="path/to/video.mp4" # specify video file path
yolo solutions crop classes="[0, 2]" # crop only selected classes
Faire apparaître des objets en flou dans une vidéo pour des raisons de confidentialité ou pour mettre en valeur d'autres zones :
yolo solutions blur show=True
yolo solutions blur source="path/to/video.mp4" # specify video file path
yolo solutions blur classes="[0, 5]" # blur only selected classes
Surveiller les exercices d'entraînement à l'aide d'un modèle de pose :
yolo solutions workout show=True
yolo solutions workout source="path/to/video.mp4" # specify video file path
# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side
Générer une carte thermique illustrant la densité des objets et leurs schémas de déplacement :
yolo solutions heatmap show=True
yolo solutions heatmap source="path/to/video.mp4" # specify video file path
yolo solutions heatmap colormap=cv2.COLORMAP_INFERNO # customize colormap
yolo solutions heatmap region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # restrict heatmap to a region
Lancer la segmentation d'instances avec suivi sur une vidéo :
yolo solutions isegment show=True
yolo solutions isegment source="path/to/video.mp4" # specify video file path
yolo solutions isegment classes="[0, 5]" # segment only selected classes
Tracez des lignes de visée entre les objets et l'observateur avec VisionEye :
yolo solutions visioneye show=True
yolo solutions visioneye source="path/to/video.mp4" # specify video file path
yolo solutions visioneye classes="[0, 5]" # monitor only selected classes
Estimez la vitesse des objets en mouvement dans une vidéo :
yolo solutions speed show=True
yolo solutions speed source="path/to/video.mp4" # specify video file path
yolo solutions speed meter_per_pixel=0.05 # set scale for real-world units
Compter les objets dans une file d'attente ou une région désignée :
yolo solutions queue show=True
yolo solutions queue source="path/to/video.mp4" # specify video file path
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates
Générer des graphiques analytiques (à lignes, à barres, en aires ou circulaires) à partir des détections enregistrées :
yolo solutions analytics show=True
yolo solutions analytics source="path/to/video.mp4" # specify video file path
yolo solutions analytics analytics_type="pie" show=True
yolo solutions analytics analytics_type="bar" show=True
yolo solutions analytics analytics_type="area" show=True
Effectuer la détection d'objets, la segmentation d'instances ou l'estimation de pose dans un navigateur web en utilisant Streamlit :
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
Suivre les objets uniquement à l'intérieur d'une zone polygonale spécifiée :
yolo solutions trackzone show=True
yolo solutions trackzone source="path/to/video.mp4" # specify video file path
yolo solutions trackzone region="[(150, 150), (1130, 150), (1130, 570), (150, 570)]" # configure zone coordinates
Compter les objets situés à l'intérieur de zones polygonales spécifiques :
yolo solutions region show=True
yolo solutions region source="path/to/video.mp4" # specify video file path
yolo solutions region region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure region coordinates
Lancer la surveillance des alarmes de sécurité avec détection d'objets :
yolo solutions security show=True
yolo solutions security source="path/to/video.mp4" # specify video file path
Surveiller le taux d'occupation du parking à l'aide de zones prédéfinies :
yolo solutions parking source="path/to/video.mp4" json_file="bounding_boxes.json" # requires pre-built JSON
yolo solutions parking source="path/to/video.mp4" json_file="bounding_boxes.json" model="yolo26n.pt"
Afficher les solutions disponibles et leurs options :
yolo solutions help
Pour plus d'informations sur les solutions Ultralytics, consultez la page Solutions.
FAQ
Comment utiliser l'interface de ligne de commande (CLI) Ultralytics YOLO pour l'entraînement de modèles ?
Pour entraîner un modèle à l'aide de la CLI, exécutez une commande en une seule ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 epochs avec un taux d'apprentissage de 0,01, exécutez :
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01
Cette commande utilise le mode train mode avec des arguments spécifiques. Pour une liste complète des arguments disponibles, consultez le Guide de configuration.
Quelles tâches puis-je effectuer avec l'interface en ligne de commande (CLI) Ultralytics YOLO ?
L'interface en ligne de commande (CLI) Ultralytics YOLO prend en charge diverses tâches, notamment la détection, la segmentation, la classification, l'estimation de pose et la détection de boîtes englobantes orientées. Vous pouvez également effectuer des opérations telles que :
- Entraîner un modèle: Exécuter
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - Exécuter des prédictions: Utilisez
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Exporter un modèle: Exécuter
yolo export model=<model.pt> format=<export_format>. - Utiliser les solutions: Exécuter
yolo solutions <solution_name>pour des applications prêtes à l'emploi.
Personnalisez chaque tâche avec différents arguments. Pour une syntaxe et des exemples détaillés, consultez les sections respectives telles que Train, Predict et Export.
Comment puis-je valider la précision d'un modèle YOLO entraîné en utilisant la CLI ?
Pour valider la précision, utilisez le val mode. Par exemple, pour valider un modèle de détection pré-entraîné avec un taille de lot de 1 et une taille d'image de 640, exécutez :
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640
Cette commande évalue le modèle sur le dataset spécifié et fournit des métriques de performance telles que la mAP, la précision et le rappel. Pour plus de détails, consultez la section Val.
Dans quels formats puis-je exporter mes modèles YOLO en utilisant la CLI ?
Vous pouvez exporter les modèles YOLO vers différents formats, notamment ONNX, TensorRT, CoreML, TensorFlow, et plus encore. Par exemple, pour exporter un modèle au format ONNX, exécutez :
yolo export model=yolo26n.pt format=onnx
La commande d'exportation prend en charge de nombreuses options pour optimiser votre modèle pour des environnements de déploiement spécifiques. Pour des informations complètes sur tous les formats d'exportation disponibles et leurs paramètres spécifiques, consultez la page Export.
Comment puis-je utiliser les solutions pré-construites dans la CLI Ultralytics ?
Ultralytics fournit des solutions prêtes à l'emploi via solutions commande. Par exemple, pour compter les objets dans une vidéo :
yolo solutions count source="path/to/video.mp4"
Ces solutions nécessitent une configuration minimale et offrent une fonctionnalité immédiate pour les tâches courantes de vision par ordinateur. Pour voir toutes les solutions disponibles, exécutez yolo solutions help. Chaque solution a des paramètres spécifiques qui peuvent être personnalisés pour répondre à vos besoins.
